基于几何深度学习的可微化学物理用于混合物性质的基于梯度的优化
本文提出了一种名为 Geodiff 的新型生成模型,它将分子中的每个原子视为粒子,并学习直接反向扩散过程来预测分子构象,通过 Markov 的方式进行建模,Markov 核通过维持等变性来实现不变性分布,实验表明,该方法在多个基准测试中优于或与现有的最先进方法相媲美。
Mar, 2022
该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用,强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性,并给出了该领域未来的发展前景。
Jul, 2021
本研究探讨了深度学习方法在多物理问题中的应用,特别是通过 PINN 解决热力学力学相互作用等问题,提出了顺序无监督训练和迁移学习的思想,以提高网络的准确性和计算效率。
Feb, 2023
利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程,它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系,通过固定边界条件,在这项工作中,我们独立于有限元方法等经典求解器,并通过基于离散弱形式的损失函数定义方法给出出色的结果,该损失函数是一个代数方程,大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试,我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测,我们还展示了在未知情况下,与纯数据驱动方法相比,所提出的方法具有更高的准确性。
Jan, 2024
利用连续和可微调的化学自由度在原子材料模拟中引入了化学元素和相应的权重,并对 MLIP 的消息传递和读取机制进行了修改,实现了材料组成状态之间的平滑插值,为优化固溶体组成、进行化学自由能模拟以及表征复杂材料系统的相稳定性提供了新途径。
Apr, 2024
提出了一种名为几何促进分子扩散(GFMDiff)的新型分子生成方法,通过引入双轨 Transformer 网络(DTN)和几何促进损失(GFLoss)解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。
Jan, 2024
通过基于深度学习的注意力增强神经微分方程模型,我们研究离子在纳米孔膜中的运输,并探讨了注意力机制在揭示不同混合物组成下的离子配对关系中的作用。结果表明,与传统的基于偏微分方程的模型相比,基于物理学原理的深度学习解决方案在建模复杂运输现象方面表现更好,并为各种应用提供了有前途的途径。
Dec, 2023
提出了 GCDM 模型,该模型采用几何完整的消息传递图神经网络,在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果,并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。
Feb, 2023
本文介绍一种新型深度学习框架 Distributional Graphormer (DiG),利用神经网络来预测分子系统的平衡分布,能有效地生成不同构象,并提供状态密度估计,该框架在多种分子任务中表现出色,为统计理解分子系统提供了显著的方法学进展。
Jun, 2023
深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而,它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析,探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型,并通过引入连续原子位置、分类化学元素和键类型,并采用时间依赖的损失加权,显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性,并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用,尤其对于复杂分子的小数据集的生成模型的准确性至关重要。
Sep, 2023